Bentuk Pola Data Pembangunan Sistem Rantai Pasok Produk Garam Kina Di PT. Sinkona Indonesia Lestari (SIL) Menggunakan Pendekatan Supply Chain Management

2.2.7.7.1. Metode Peramalan Single Exponensial Smoothing

Metode Single Exponential Smoothing dipakai pada kondisi dimana bobot data pada periode yang satu berbeda dengan data pada periode sebelumnya dan membentuk fungsi Exponential. Metode ini banyak mengurangi masalah penyimpangan data karena tidak perlu lagi menyimpan data historis. Pengaruh besar kecilnya α berlawanan arah dengan pengaruh memasukan jumlah pengamatan. Metode ini selalu mengikuti setiap trend dalam data sebenarnya karena yang dapat dilakukannya tidak lebih dari mengatur ramalan mendatang dengan suatu persentase dari kesalahan terakhir. Menentukan α mendekati optimal memerlukan beberapa kali percobaan. Jika suatu deret data historis XT untuk T = 1,2,3,….,N, maka data ramalan eksponensial untuk data waktu T adalah FT. Metode exponential smoothing yang sederhana dikembangkan dari metode rata-rata bergerak. Jika terdapat data dari T pengamatan makan nilai ramalan pada waktu T + 1 dapat dihitung dengan persamaan 2.3 dan 2.4 sementara untuk perhitungan exponential untuk N dapat dilihat di persamaan 2.5. + = � +� +⋯+� � = ∑ � = 2.3 + = + + = � − − � 2.4 Metode Exponential untuk N pengamatan adalah sebagai berikut + = + � � − � � − 2.5 Misalkan observasi yang lama � − tidak tersedia sehingga harus digantikan dengan suatu nilai pendekatan aproksimasi. Salah satu pengganti yang mungkin adalah nilai ramalan periode sebelumnya sehingga dapat dihitung dengan persamaan 2.6 dan 2.7. + = + � � − � 2.6 + = � + − 2.7 Jadi nilai ramalan pada waktu t – 1 tergantung pada pembobotan nilai observasi saat t, yaitu dan pada pembobotan nilai ramalan yaitu − bernilai antara 0 dan 1. Bila = , maka dapat dihitung dengan persamaan 2.8. + = � + − 2.8 Keterangan : + = Hasil forecast untuk periode t-1 = Konstanta pemulusan � = Data demand aktual untuk periode t = Forecast pada periode t Dalam metode exponential smoothing nilai bisa ditentukan secara bebas, artinya tidak ada suatu cara yang pasti untuk mendapatkan nilai yang optimal. Maka pemilihan nilai α dilakukan dengan cara trial dan error. Besarnya terletak antara 0 dan 1

2.2.7.7.2. Metode Peramalan Single Moving Average

Metode rata-rata bergerak tunggal menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang. Metode ini akan efektif diterapkan apabila kita dapat mengasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu. Metode ini mempunyai dua sifat khusus yaitu untuk membuat forecast memerlukan data. Historis dalam jangka waktu tertentu, semakin panjang moving averages akan menghasilkan moving average yang semakin halus, secara sistematis moving average dapat dihitung dengan persamaan 2.9. + = � � +� � − +⋯+� � − + 2.9 Keterangan: S t+1 = Forecast untuk periode ke t+1. Xt = Data pada periode t. n = Jangka waktu Moving Averages

2.2.7.8. Pengukuran Kesalahan Peramalan

Pengukuran kesalahan peramalan dapat menggunakan Mean Absolute Error, Mean Square Error, Mean Absolute Precentage Error

1. Mean Absolute Error MAE

Mean Absolute Error MAE yaitu rata-rata nilai absolute error dari kesalahan meramal nilai positif dan negatif tidak dilihat dapat dilihat pada persamaan 2.10. = ∑ |� � − � | 2.10

2. Mean Absolute Deviation MAD

Mean Absolute Deviation MAD mengukur ketepatan ramalan dengan merata-rata kesalahan dugaan nilai absolut masing-masing kesalahan. MAD berguna ketika mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. Nilai MAD dapat dilihat pada persamaan 2.11. = ∑ � � � 2.11

3. Mean Squares Error MSE

Mean Squared Error MSE yaitu rata-rata dari kesalahan forecasting dikuadratkan dan dapat dilihat pada persamaan 2.12. = ∑ � � − � 2.12